Como as equipes financeiras estão realmente usando IA e automação em 2025?
O hype em torno da Inteligência Artificial no mundo das finanças é fácil de encontrar. De um lado, tem gente preocupada com agentes de software substituindo contadores. Do outro, há quem sonhe com uma área financeira superpotente, capaz de prever o futuro com precisão sem precedentes. Mas o que não é tão óbvio assim é como as empresas estão realmente usando IA nas suas operações financeiras em 2025 e 2026.
Mais de três anos depois que o ChatGPT catalisou uma nova onda de interesse e investimento em Inteligência Artificial, muitas companhias ainda estão tentando entender como as iterações mais recentes dessa tecnologia podem se encaixar nos seus modelos de negócio. E os números confirmam essa desconexão entre empolgação e resultado concreto.
Um relatório recente do Gartner revelou que, embora quase 60% das equipes financeiras já estejam pilotando ou implementando projetos de IA, apenas 7% dos CFOs relatam um impacto forte e significativo desse investimento. Ou seja, a maioria está gastando tempo e dinheiro, mas poucos estão vendo retorno real.
Dá pra entender a frustração, né? 😅
É exatamente esse cenário que Mohit Sharma, ACMA, CGMA, resume de forma certeira. Sharma lançou recentemente duas startups de IA voltadas para o setor financeiro após décadas de carreira na área, e sua avaliação é direta: neste momento, a IA está passando por uma crise de identidade.
Mas calma, porque a história não para por aí. Enquanto o debate entre hype e realidade continua, algumas empresas e profissionais já estão colocando a mão na massa e encontrando formas práticas, concretas e replicáveis de usar IA para resolver problemas reais nos seus processos financeiros. 🙌
Neste artigo, você vai conhecer três casos reais que mostram como a automatização financeira está saindo do papel, com exemplos que vão desde a previsão de inadimplência até a consolidação de dados contábeis fragmentados e a automação de processos manuais em larga escala. São histórias de quem testou, errou, ajustou e encontrou um caminho que funciona.
Recebendo pagamentos no prazo com Inteligência Artificial preditiva
Mohit Sharma cofundou a Pinaka AI em 2023 para atacar uma frustração que ouviu repetidamente de líderes financeiros ao longo da sua carreira internacional. O problema era sempre o mesmo, independentemente do país ou do tamanho da empresa.
Cerca de 60% das faturas de clientes geradas em um ambiente B2B não são pagas no prazo.
Parece simples, mas um pagamento atrasado pode causar uma cascata de consequências. A equipe de vendas pode precisar renegociar um contrato. A empresa pode precisar assumir dívida para cobrir o caixa. E assim o ciclo se repete, virando o que Sharma descreve como um problema vicioso que consome recursos de várias áreas da organização.
A Pinaka AI, que emprega cerca de uma dúzia de pessoas, desenvolveu um produto de software que faz algo que seria impossível em escala para um time humano: prever quais clientes vão atrasar um pagamento e, mais importante ainda, identificar o motivo específico pelo qual aquele cliente provavelmente vai perder o prazo.
O produto está sendo pilotado atualmente por dois grandes fabricantes na Índia, e os resultados iniciais são impressionantes. Segundo Sharma, o algoritmo da empresa consegue fazer previsões com 96% de precisão.
Hospedada no Oracle Cloud, a plataforma também utiliza IA generativa para recomendar ações que o usuário pode tomar e é capaz de redigir e enviar e-mails personalizados para ajudar a coletar o pagamento antes do vencimento.
Na prática, o sistema dá recomendações sobre o que fazer para resolver a situação hoje, semanas antes do prazo de pagamento. Isso é possível porque a ferramenta integra dados que normalmente estão espalhados por diferentes sistemas da empresa.
Sharma explica que o comportamento de pagamento de um cliente está disperso entre diferentes plataformas. E esse é justamente o trabalho da IA: integrar tudo e criar uma versão única da verdade.
As previsões da Pinaka AI se baseiam em dados provenientes de sistemas de CRM e ERP do cliente, além de fontes externas como agências de crédito e fontes de notícias. A startup combina quatro tipos diferentes de IA para alcançar esse resultado: um motor de recomendação, inteligência de decisão, um algoritmo de classificação e IA generativa.
A empresa ainda está no início da sua jornada, tendo recentemente completado um programa de aceleração e trabalhando nos seus testes com os grandes fabricantes. Mas Sharma faz um ponto importante: essa é uma tarefa que a automação tradicional poderia ter tentado resolver anos atrás, porém a ascensão das novas ferramentas de IA tornou o desenvolvimento do produto muito mais rápido e econômico.
Quando estamos resolvendo problemas complexos, precisamos de sistemas inteligentes, resume ele. 💡
Unificando registros contábeis bagunçados
Janice Stucke, CPA e candidata ao CGMA, assumiu no ano passado o cargo de CFO da CREW Network, uma associação comercial que conecta mais de 14.000 mulheres no mercado imobiliário comercial ao redor do mundo.
Stucke herdou um departamento financeiro que ainda emitia cheques em papel e precisava de uma reformulação completa. Era exatamente o tipo de desafio que ela gostava, já que havia implementado automação de processos robóticos (RPA) e IA generativa em seus empregos anteriores.
O primeiro passo, no entanto, não era implementar nenhuma ferramenta sofisticada. Era enfrentar um problema de dados que parecia intransponível.
A organização tinha dados contábeis espalhados por cerca de 50 entidades diferentes, cada uma com seu próprio plano de contas. Algumas eram subsidiárias, outras eram entidades adjacentes, distribuídas por vários países e, claro, em formatos variados. Essa fragmentação estava atrasando o processamento de pagamentos e exigia codificação personalizada constantemente atualizada para se manter funcionando, uma montanha de débito técnico para uma organização com apenas 35 funcionários.
Com tantas entidades e cada uma com seu próprio plano de contas, a organização podia gerar mais de 10.000 linhas de transações no razão geral por mês.
Stucke decidiu criar um plano de contas consolidado para todas as entidades, permitindo a automação dos sistemas. Mas o processo de migrar todo o histórico de atividades para a nova estrutura para fins de comparação histórica foi, nas palavras dela, um projeto massivo.
O dividendo de tempo que a IA proporcionou
Teria levado semanas para a equipe de Stucke, mesmo com ajuda de consultores, transformar os dados da estrutura antiga do razão geral para a nova. O jeito tradicional seria implementar macros de planilha ou configurar robôs de RPA. Mas Stucke avaliou que ambas as soluções exigiriam customização excessiva para as incontáveis variações em formato e definições de dados.
Ela teve uma ideia diferente: usar sua conta empresarial do ChatGPT para transformar os planos de contas. Conseguiu inserir os dados e pedir à IA que mapeasse tudo para o novo formato unificado. Além de mesclar dados por período, a ferramenta também conseguia resolver as variações na forma como cada entidade rotulava transações, usando IA generativa para interpretar as diversas maneiras pelas quais os planos poderiam categorizar algo como receita de eventos.
Funcionou. Até certo ponto.
Stucke também enfrentou frustrações comuns com IA generativa. Depois de executar a transformação perfeitamente em 10 planos de contas consecutivos, a ferramenta poderia implementar um método novo e indesejado no seguinte. Ela teve dificuldade, na prática, em convencer o software a cooperar 100% das vezes.
Havia também a questão das alucinações e erros, algo comum em softwares de IA generativa. Stucke tentou fazer o ChatGPT incluir fórmulas que mostrassem e verificassem seu trabalho, mas simplesmente não funcionou corretamente.
A solução? Implementar suas próprias fórmulas de verificação, exatamente como faria com produtos humanos ou de RPA, para checar o novo razão unificado contra os dados antigos.
Meu processo de controles internos não mudou, explicou ela.
Mesmo com as frustrações, a abordagem com IA entregou resultados mais rápidos e ainda confiáveis em questão de dias, permitindo que ela atualizasse os sistemas e continuasse avançando com a automação da função financeira. E tudo isso aconteceu com um produto relativamente genérico, acessível e barato.
Stucke acredita que essa nova onda de produtos de IA está empoderando pequenas e médias empresas a experimentarem. Muitas organizações menores sentem que não têm o talento necessário para implementar esses sistemas. Porém, é possível pegar um produto genérico e automatizar com muito menos esforço do que antes, desde que haja a visão certa por trás do projeto.
Corrigindo processos manuais em escala continental
Os avanços mais valiosos em IA e automação simplesmente não acontecem sem uma fonte de dados unificada e acessível. Esse tem sido um foco central do trabalho de Lawrence Amadi, ACMA, CGMA, sócio e líder do negócio de risco tecnológico da KPMG Africa.
Entre os clientes de Amadi estão algumas das maiores operadoras de telecomunicações do continente africano, incluindo uma com mais de 85 milhões de assinantes. Amadi vinha trabalhando com elas para transformar seus sistemas de SIM (Subscriber Identity Module), que autenticam e gerenciam as identidades dos usuários e seus dispositivos na rede.
A empresa dependia de processos manuais para gerenciar esse volume gigantesco de dados. Aproximadamente uma vez por semana, a equipe fazia download dos dados e verificava manualmente se havia registros incompletos ou anômalos.
Essas checagens manuais aumentam o risco de que os dados não sejam exportados completamente ou de que a equipe sofra com a chamada fadiga de auditoria, como Amadi descreve. Fica muito estressante e desanimador, ele observou.
O objetivo da KPMG Africa foi automatizar a exportação, análise e sinalização de exceções a partir desses mesmos dados. O projeto levou sete meses e envolveu pessoas de diferentes áreas da organização.
Amadi enfatiza que o projeto exigiu profissionais com habilidades diversas. Eram necessárias pessoas que entendessem o produto, conhecessem as regras de negócio e compreendessem como os dados eram produzidos. Também eram fundamentais analistas de dados fortes, capazes de fazer sentido dos dados, desempacotá-los, analisá-los e reorganizá-los.
O projeto foi construído com o Automation Anywhere, que se descreve como um sistema de automação de processos agênticos que combina o poder da IA, automação e RPA.
O resultado foi uma mudança completa no fluxo de trabalho. Em vez dos downloads manuais periódicos, agora existe uma exportação automática acontecendo no sistema, uma análise automática sendo executada e exceções sendo levantadas automaticamente.
Segundo Amadi, o novo sistema trouxe redução de erros, maior eficiência e melhor qualidade nos relatórios apresentados ao conselho e ao comitê de auditoria e risco.
E agora que a empresa organizou e centralizou uma fonte importante de dados, ela está pronta para expandir a aplicação de automação e IA para outras áreas do negócio. 🚀
O que separa projetos de IA que funcionam dos que ficam no papel
Olhando para esses três casos, fica fácil identificar um padrão que diferencia iniciativas bem-sucedidas da maioria dos projetos que ficam presos na fase de piloto. Em todos os exemplos, havia um problema específico e bem delimitado sendo atacado, com métricas claras de sucesso definidas antes de qualquer implementação.
A Pinaka AI não tentou reinventar todo o ciclo financeiro, focou na previsão de inadimplência B2B. Janice Stucke não tentou automatizar a CREW Network inteira de uma vez, começou pela unificação dos planos de contas. Lawrence Amadi e a KPMG Africa não propuseram transformar toda a operação da telecom, atacaram primeiro a gestão dos dados de SIM.
Essa abordagem incremental é muito mais sustentável do que tentar fazer tudo funcionar ao mesmo tempo, e é o que explica por que esses projetos chegaram a impacto real enquanto tantos outros ainda estão na fase de piloto eterno.
Outro elemento comum é a qualidade dos dados como ponto de partida inegociável. Nos três casos, houve um investimento significativo em limpar, estruturar e padronizar os dados antes de colocar qualquer modelo de IA para trabalhar. Esse trabalho de base é tedioso, demorado e pouco glamouroso, mas é ele que determina se o modelo vai funcionar ou não. Empresas que pulam essa etapa acabam com modelos que geram resultados inconsistentes, o que mina a confiança da equipe na tecnologia.
Por fim, todos esses casos mantiveram o ser humano no centro do processo, especialmente nas decisões que envolvem ambiguidade ou alto impacto. A IA foi usada para ampliar a capacidade do time, não para substituí-lo. E essa combinação, máquina fazendo o que faz melhor e humano fazendo o que faz melhor, é o que está produzindo resultados reais.
Três dicas de implementação de IA para profissionais de finanças
Os três profissionais entrevistados compartilharam lições valiosas aprendidas na prática. Se você está pensando em lançar seu próprio projeto de IA na área financeira, vale prestar atenção nesses pontos.
Entenda os custos reais
Mohit Sharma aprendeu muitas lições com sua startup. Uma das mais importantes é quanto dinheiro a IA custa para operar.
Um produto mal configurado pode consumir tokens, que funcionam como uma medida prática de poder computacional e custo, em uma velocidade alarmante. Rodar um produto de IA também introduz novos riscos que precisam ser contabilizados: quanto vai custar se um produto de IA generativa cometer um erro ou causar uma controvérsia, talvez usando linguagem inadequada com um cliente?
Existem camadas de custo, diretas e indiretas. No momento em que você perde visibilidade, você perde dinheiro.
Esses custos e riscos precisam ser pesados contra uma previsão realista de receitas e eficiências a serem obtidas com o projeto. Não importa se é tecnologia da OpenAI ou do Google. O raciocínio precisa ser financeiro: qual é o retorno para o meu negócio? Quando a solução atinge o ponto de equilíbrio?
Construa adesão organizacional
Especialmente em grandes organizações, um projeto de IA ou automação pode exigir a combinação de habilidades e dados de diferentes áreas da empresa. Isso simplesmente não acontece a menos que as pessoas entendam e aceitem a missão, segundo Lawrence Amadi.
Você precisa da adesão de todos. O porquê é crucial.
Esse porquê pode variar desde melhor cobertura de controles até maior visibilidade do negócio. Independentemente de qual seja, não haverá progresso se o propósito e os meios do projeto não estiverem claros para todos os envolvidos.
Permita que outros aprendam junto
Janice Stucke usou IA generativa para completar uma transformação de dados intimidadora em apenas alguns dias, sozinha.
Consegui realizar em quatro a cinco dias o que teria levado uma equipe inteira de consultores e minha equipe de duas a três semanas.
Mas essa eficiência teve um custo que nem sempre é óbvio: minha equipe inteira não foi levada nessa jornada, reconheceu Stucke. Em outras palavras, o time não teve a oportunidade de praticar o uso de IA nem de ver exatamente como e por que a ferramenta era tão eficaz.
O domínio da IA vai continuar sendo uma habilidade essencial para equipes financeiras, especialmente à medida que a automação absorve mais trabalho. Envolver todos agora pode ajudar a preparar carreiras para o futuro e a acelerar a transformação digital da função financeira como um todo. ✅
O cenário que se desenha para o futuro das finanças com IA
Os três casos apresentados neste artigo pintam um quadro realista e ao mesmo tempo esperançoso sobre o estado atual da IA nas finanças. A tecnologia funciona, sim, mas não de forma mágica. Os resultados mais expressivos vêm de equipes que fizeram o trabalho duro de preparar seus dados, definir problemas claros e manter expectativas realistas sobre o que a IA pode e não pode entregar sozinha.
O dado do Gartner sobre os 7% de CFOs que relatam impacto forte não deveria ser lido como um sinal de fracasso da tecnologia. Na verdade, é um reflexo de onde a maioria das empresas está na curva de maturidade. À medida que mais organizações seguem o exemplo dos casos descritos aqui, focando em problemas específicos, investindo na qualidade dos dados e mantendo o humano no centro do processo, esse percentual tende a crescer de forma significativa.
A IA nas finanças não precisa ser uma revolução instantânea. Os melhores resultados estão vindo de quem trata essa jornada como uma evolução contínua, projeto por projeto, problema por problema, com cada vitória abrindo caminho para a próxima. E isso é algo que qualquer equipe financeira, de qualquer tamanho, pode começar a fazer agora. 🎯
